资源详情

概率深度学习使用Python、Keras和TensorFlow Probability

作者: [德] 奥利弗·杜尔(Oliver Dürr)/[德] 贝亚特·西克(Beate Sick)/[德] 埃尔维斯·穆里纳(Elvis Murina)
出版社: 清华大学出版社
原作名: Probabilistic Deep Learning：With Python, Keras and TensorFlow Probability
译者: 崔亚奇/唐田田/但波
出版年: 2022-3
定价: 98
装帧: 平装
丛书: 清华社人工智能系列
ISBN: 9787302598657

下载次数：23

本站推荐

下载地址

举报资源

书籍资料

内容简介
作者介绍
书籍目录

世界充满了噪声和不确定性。概率深度学习模型可对这些噪声和不确定性进行建模，并将所建的模型应用于现实世界，帮助深度学习工程师评估其结果的准确性、发现错误，并加深他们对算法工作原理的理解。这对自动驾驶汽车和科学测试来说至关重要。
《概率深度学习使用Python、 Keras和TensorFlow Probability》是关于神经网络原理的实践指南，引导读者学习使用不同数据类型的正确分布来提升网络性能，同时推导贝叶斯变体，以通过表达模型自身的不确定性来提高准确性。本书采用了主流的实现框架，提供了易于应用的代码，让读者更加注重实际应用。
主要内容
●探索深度学习的最大似然原理和统计学基础
●发现能输出各种可能结果的概率模型
●学习使用标准化流来建模和生成复杂分布
●使用贝叶斯神经网络获取模型中的不确定性

Oliver Dürr是德国康斯坦茨应用科学大学的教授，研究方向为数据科学。Beate Sick在苏黎世应用科技大学担任应用统计学教授，在苏黎世大学担任研究员和讲师，在苏黎世联邦理工学院担任讲师。Elvis Murina是一名研究科学家，负责本书附带的大量练习代码的编写。
Dürr和Sick都是机器学习和统计方面的专家。他们指导了大量以深度学习为研究方向的学士、硕士和博士论文，并策划和开展了多门研究生、硕士层次的深度学习课程。三位作者自2013年以来一直从事深度学习方法的研究，在相关教学和概率深度学习模型开发方面都拥有丰富的经验。

第Ⅰ部分深度学习基础
第1章概率深度学习简介3
1.1概率模型初探4
1.2初步了解深度学习7
1.3分类10
1.3.1传统图像分类方法11
1.3.2深度学习图像分类方法15
1.3.3非概率分类17
1.3.4概率分类18
1.3.5贝叶斯概率分类19
1.4曲线拟合21
1.4.1非概率曲线拟合21
1.4.2概率曲线拟合23
1.4.3贝叶斯概率曲线拟合25
1.5何时使用和何时不使用深度学习26
1.5.1不宜使用深度学习的情况27
1.5.2适宜使用深度学习的情况27
1.5.3何时使用和何时不使用概率模型28
1.6你将在本书中学到什么28
1.7小结29
第2章神经网络架构31
2.1全连接神经网络(fcNN)32
2.1.1人工神经网络的生物学原型33
2.1.2神经网络的实现入门35
2.1.3使用全连接神经网络对图像进行分类48
2.2用于图像类数据的卷积神经网络

6
2.2.1卷积神经网络架构中的主要思想57
2.2.2“边缘爱好者”最小卷积神经网络61
2.2.3卷积神经网络架构的生物学起源64
2.2.4建立和理解卷积神经网络66
2.3用于序列数据的一维卷积神经网络72
2.3.1时序数据格式73
2.3.2有序数据有何特别之处74
2.3.3时间序列数据网络架构75
2.4小结77
第3章曲线拟合原理79
3.1曲线拟合中的“HelloWorld”81
3.2梯度下降法88
3.2.1具有一个模型自由参数的损失函数89
3.2.2具有两个模型自由参数的损失函数93
3.3深度学习中的特殊技巧98
3.3.1小批量梯度下降99
3.3.2使用随机梯度下降改进算法来加快学习速度100
3.3.3自动微分100
3.4深度学习框架中的反向传播101
3.4.1静态图框架102
3.4.2动态图框架112
3.5小结114
第Ⅱ部分概率深度学习模型的最大似然方法
第4章最大似然定义损失函数117
4.1损失函数之母——最大似然原则118
4.2分类问题损失函数推导124
4.2.1二元分类问题125
4.2.2两个以上类别分类问题133
4.2.3负对数似然、交叉熵和K-L散度之间的关系137
4.3回归问题损失函数推导140
4.3.1使用无隐藏层、单输出神经网络对输入与输出的线性关系进行建模140
4.3.2采用具有隐藏层的神经网络对输入与输出的非线性关系进行建模151
4.3.3采用两输出神经网络对异方差回归任务进行建模153
4.4小结159
第5章基于TensorFlow概率编程的概率深度学习模型161
5.1不同概率预测模型的评价和比较165
5.2TFP概率编程概述166
5.3基于TFP概率编程的连续数据建模171
5.3.1常量方差线性回归模型的拟合与评估172
5.3.2变方差线性回归模型的拟合与评估176
5.4基于TFP的计数数据建模182
5.4.1适用于计数数据的泊松分布187
5.4.2扩展泊松分布为零膨胀泊松(ZIP)分布193
5.5小结197
第6章“野外世界”中的概率深度学习模型198
6.1高级深度学习模型中的灵活概率分布200
6.1.1多项式分布作为一种灵活分布201
6.1.2理解离散逻辑混合204
6.2案例研究：巴伐利亚公路伤亡事故208
6.3与流同行：标准化流(NF)简介210
6.3.1标准化流的基本原理212
6.3.2概率变量变换215
6.3.3标准化流模型拟合222
6.3.4链接流以实现深度变换224
6.3.5高维空间变换*229
6.3.6流操作的网络实现232
6.3.7有趣的流模型：人脸图像采样239
6.4小结245
第Ⅲ部分概率深度学习模型的贝叶斯方法
第7章贝叶斯学习249
7.1非贝叶斯深度学习的弊端，以房间里的大象为例250
7.2初始贝叶斯方法255
7.2.1贝叶斯模型：黑客式255
7.2.2我们刚刚做了什么260
7.3贝叶斯概率模型261
7.3.1贝叶斯模型训练和预测263
7.3.2投掷硬币，贝叶斯模型的“HelloWorld”270
7.3.3贝叶斯线性回归模型回顾282
7.4小结288

第8章贝叶斯神经网络289
8.1贝叶斯神经网络概述291
8.2变分推理贝叶斯近似293
8.2.1深入了解变分推理*294
8.2.2变分推理简单应用*300
8.3变分推理TFP实现309
8.4蒙特卡罗dropout贝叶斯近似312
8.4.1经典dropout训练方法313
8.4.2在训练和测试过程中采用蒙特卡罗dropout317
8.5案例研究320
8.5.1回归中的外推问题320
8.5.2分类任务中新类别问题326
8.6小结336
术语和缩写词的词表337